基于多视图表示学习的异构图神经网络
机器学习
2022-12-01 v3 人工智能
摘要
面向异构图嵌入的图神经网络旨在通过探索异构图的异构性与语义将节点投影到低维空间。然而，一方面，现有大多数异构图嵌入方法要么在特定语义下对局部结构建模不足，要么在从其聚合信息时忽视异构性；另一方面，来自多语义的表示未被全面整合以获得通用的节点嵌入。为解决该问题，我们提出一种基于多视图表示学习的异构图神经网络(称为 MV-HetGNN)，通过引入多视图表示学习的思想进行异构图嵌入。所提模型由节点特征变换、视图特定的自我图编码与自动多视图融合组成，以透彻学习复杂的结构与语义信息，生成全面的节点表示。在三个真实世界异构图数据集上的大量实验表明，所提 MV-HetGNN 模型在各种下游任务（如节点分类、节点聚类与链接预测）中持续优于所有最先进的 GNN 基线。
引用
@article{arxiv.2108.13650,
title = {Heterogeneous Graph Neural Network with Multi-view Representation Learning},
author = {Zezhi Shao and Yongjun Xu and Wei Wei and Fei Wang and Zhao Zhang and Feida Zhu},
journal= {arXiv preprint arXiv:2108.13650},
year = {2022}
}
备注
Accepted by TKDE